Traducido del inglés al español - www.onlinedoctranslator.

com

sensores

Artículo

Misión autónoma de Multi-UAV para una cobertura de área óptima

Youkyung Hong, Sunggoo Jung *, Suseong Kim y Jihun Cha

Instituto de Investigación en Electrónica y Telecomunicaciones (ETRI), Daejeon 34129, Corea; youkyh1@etri.re.kr (YH);
suseongkim@etri.re.kr (SK); jihun@etri.re.kr (JC)
* Correspondencia: sunggoo@etri.re.kr

Abstracto: Este estudio propone una arquitectura completa de hardware y software desde la entrada del operador
hasta el comando del motor para la misión de cobertura de área autónoma utilizando múltiples vehículos aéreos no
tripulados. A pesar del rápido crecimiento de los servicios comerciales de drones, existen muchas limitaciones en las
operaciones, como una baja autonomía en la toma de decisiones y la necesidad de que operadores experimentados
intervengan en todo el proceso. Para realizar la misión de cobertura de área de manera más eficiente y autónoma, este
estudio diseña nuevamente un problema de optimización que asigna puntos de ruta creados para cubrir esa área a
vehículos aéreos no tripulados. Con una lista optimizada de puntos de referencia, los vehículos aéreos no tripulados
pueden llenar las áreas dadas con sus huellas en una cantidad mínima de tiempo y no se superponen entre sí durante
la misión. Además, Este estudio realiza tanto varias simulaciones para análisis cuantitativos como un experimento al
aire libre a través de la implementación de hardware real para verificar suficientemente el rendimiento. Las
metodologías desarrolladas en este estudio podrían aplicarse a un sinfín de aplicaciones utilizando vehículos aéreos no
tripulados equipados con sensores específicos de la misión.

Palabras clave: vehículo aéreo no tripulado; planificación de misiones; cobertura de área; asignación de tareas; programación

---- lineal entera mixta; planificación de ruta

---

Citación: Hong, Y .; Jung, S .; Kim, S .;

Cha, J. Misión autónoma de Multi-
UAV para área óptima 1. Introducción
Cobertura. Sensores 2021, 21, 2482. Los vehículos aéreos no tripulados (UAV), comúnmente conocidos como drones, reemplazarán la mayor
https://doi.org/10.3390/s21072482 parte del trabajo humano, especialmente en lugares peligrosos y tareas tediosas. Las compañías de drones más
grandes del mundo (por ejemplo, DJI, Parrot y 3DR) ya han lanzado el servicio de drones comerciales en varios
Editores académicos: Marco Picone y
campos como la agricultura, la cartografía y la inspección de infraestructura. Desafortunadamente, en el nivel
Sindhuja Sankaran
actual de servicio, existe un límite en la cantidad de drones que se deben realizar simultáneamente porque un
operador humano capacitado debe intervenir en todo el proceso de la operación. Sin embargo, para superar la
Recibido: 22 de febrero de 2021
pequeña capacidad de carga útil y el corto rango operativo de un solo dron, es esencial desplegar varios drones
Aceptado: 30 de marzo de 2021
en sitios industriales y aumentar la autonomía. Los investigadores también han aumentado el interés en el
Publicado: 2 de abril de 2021
funcionamiento autónomo de drones utilizando inteligencia artificial. pero sigue siendo difícil aplicarlos a un
solo dron. Por estas razones, la investigación sobre misiones autónomas que utilizan varios drones aún se
Nota del editor: MDPI se mantiene neutral
encuentra en sus primeras etapas.
con respecto a los reclamos jurisdiccionales
Otto y col. [1] clasificó las misiones autónomas que pueden realizar los vehículos aéreos no tripulados en
en mapas publicados y afiliaciones

institucionales.
cobertura de área [2], buscar [3], enrutamiento [4,5], recopilación de datos y transmisión de comunicaciones: la
misión de cobertura de área se aplica a la inspección de edificios y la fumigación de plaguicidas; la misión de
búsqueda se aplica al servicio de rescate y extinción de incendios forestales; la misión de enrutamiento se
aplica al transporte y la entrega de paquetes. La principal diferencia entre la cobertura de área y las misiones
de búsqueda es si el entorno en el que se realiza la misión se conoce previamente o no. La misión de cobertura
Derechos de autor: © 2021 por los autores.
de área primero define un área finita y luego hace que los UAV monitoreen minuciosamente esa área con
Licenciatario MDPI, Basilea, Suiza. Este
sensores equipados. Por otro lado, la misión de búsqueda tiene como objetivo detectar objetivos particulares
artículo es un artículo de acceso abierto
en un entorno desconocido. Por lo tanto, se necesita una estrategia diferente con la misión de cobertura para
distribuido bajo los términos y condiciones de
estimar con precisión la ubicación del objetivo y expandir el área de búsqueda en una cantidad mínima de
la licencia Creative Commons Attribution (CC

BY) (https: // creativecommons.org/licenses/

tiempo. Tenga en cuenta que las metodologías propuestas para la misión de cobertura de área pueden ser la

by/ solución más simple para la misión de búsqueda. Cuando el método de cobertura de área se aplica a la misión
4.0 /). de búsqueda, los UAV escanean gradualmente toda el área

Sensores 2021, 21, 2482. https://doi.org/10.3390/s21072482 https://www.mdpi.com/journal/sensors

Sensores 2021, 21, 2482 2 de 21

independientemente del tiempo y eventualmente encontrar el objetivo. Por esa razón, este estudio toma como punto
de partida la misión de cobertura de área. A continuación, revisaremos investigaciones recientes relacionadas con la
misión de cobertura de área.
La mayor parte de la investigación anterior que llevó a cabo la misión de cobertura se ha centrado
en generar un patrón de cobertura para explorar el área determinada con un solo dron. Los patrones
geométricos típicos para explorar el área dada se dividen en el movimiento de ida y vuelta [2], patrón en
espiral [6], y método basado en cuadrícula [7]. Entre varios patrones de cobertura, el movimiento de ida y
vuelta puede considerarse el más eficiente desde el punto de vista energético [1]. La razón es que
cuando el UAV cambia su dirección de vuelo haciendo un giro brusco, necesita reducir la velocidad, rotar
y luego volver a acelerar. Por lo tanto, a medida que aumenta el número de maniobras de giro, el UAV
consume más energía [8].
Por otro lado, solo unos pocos estudios han realizado la misión de cobertura de área utilizando
múltiples vehículos. La mayoría de ellos ha adoptado un procedimiento de dos pasos que consiste en (i)
división de áreas y (ii) asignación de subáreas. Peterson y col. desarrolló un sistema multi-robot de UAV y
UGV para localizar materiales radiactivos cubriendo un área determinada [9]. Barrientos y col. presentó
un sistema multi-UAV para imágenes aéreas aplicado a la agricultura de precisión y realizó extensas
pruebas de campo [10]. En sus obras, después del preprocesamiento de dividir un área determinada en
varias subáreas más pequeñas y asignar las subáreas divididas a vehículos no tripulados, cada vehículo
no tripulado realiza la planificación de la ruta de cobertura para explorar las subáreas asignadas. Sin
embargo, se requiere un esfuerzo considerable para descomponer el área dada en subáreas de manera
razonable y luego asignar efectivamente la subárea a cada UAV, considerando la capacidad de los UAV.
Por el contrario, Avellar et al. propuso un enfoque novedoso que permite que múltiples UAV logren una
cobertura de área cooperativa al aumentar la autonomía de toma de decisiones del vehículo sin dividir el
área por adelantado [2]. Para ser más específicos, un área determinada podría transformarse en una
lista de waypoints aplicando el movimiento de ida y vuelta. Como los vehículos aéreos no tripulados
tienen que visitar la lista de puntos de referencia, la misión de cobertura del área puede eventualmente
modelarse como el Problema de los vendedores ambulantes múltiples (TSP). Aevellar y col. utilizó
Programación lineal de enteros mixtos (MILP) para resolver el TSP. Varios métodos de optimización como
metaheurísticas [11] y métodos híbridos [12] nos permiten calcular las soluciones óptimas del TSP.

También es importante configurar todo el sistema de hardware y software desde la entrada del
operador hasta el comando del motor. Sin embargo, se han dedicado relativamente pocos estudios a la
construcción de todo el marco de ejecución de la misión. Valente y col. propuso tomar imágenes aéreas y
construir un mapa mediante la unión de imágenes para agricultura de precisión [13]. En su sistema, el
área de la misión se muestrea con una cuadrícula de tamaño constante, y luego se genera una ruta para
realizar una cobertura completa con el número mínimo de vueltas sin volver a visitar la cuadrícula. Sin
embargo, su trabajo fue limitado porque solo un UAV participó en la misión, y esa información del área
para realizar la cobertura se proporcionó al UAV con anticipación. Garzón y col. presentó un sistema de
múltiples robots que incluye software, hardware y arquitectura de comunicación para una misión de
búsqueda de señales [14]. Sin embargo, su sistema se aplicó a los vehículos terrestres no tripulados
(UGV), no a los UAV, y por lo tanto se centró en comparar dos enfoques diferentes para las técnicas de
planificación de rutas de cobertura (es decir, el movimiento de ida y vuelta y el patrón en espiral).
Además, pocos estudios han realizado pruebas de campo para verificar el desempeño del sistema de la
misión. Nedjati y col. presentó una nueva cobertura de recorridos múltiples para un sistema de
respuesta posterior al terremoto que recopila imágenes en el lugar del terremoto y crea un mapa para
extraer información útil [15]. Yao y col. propuso inspeccionar edificios urbanos asignando edificios a
vehículos aéreos no tripulados y generando patrones óptimos de cobertura esférica alrededor de los
edificios [dieciséis]. Sin embargo, ambos estudios anteriores presentaron solo los resultados de
simulaciones numéricas sin realizar experimentos utilizando hardware real. Acevedo y col. estudió un
algoritmo de cobertura más práctico en el que se asignan subáreas a robots aéreos heterogéneos,
teniendo en cuenta sus diversas capacidades de detección y movimiento [17]. Mansouri y col. desarrolló
un método de cobertura más sofisticado que considera el movimiento de la cámara y adquirió la imagen
unida mediante la recopilación de secuencias de imágenes durante la misión de cobertura [18]. Sin
embargo, estos estudios previos siguen siendo desafortunados ya que los vuelos en interiores
Sensores 2021, 21, 2482 3 de 21

Las pruebas se han realizado en un espacio limitado porque la mayoría de las aplicaciones prácticas de la
misión de cobertura de área se ejecutan al aire libre. En otras palabras, los experimentos en interiores no
pueden ser una validación suficiente porque no hay viento ni errores de GPS (gracias al sistema de captura de
movimiento), que pueden ser problemas críticos y desafiantes en una implementación real.
El propósito principal de este estudio es proporcionar la configuración completa del sistema de
misión para la misión de cobertura de área utilizando varios UAV y diseñar el problema de optimización
para la asignación de tareas. Más exactamente, la misión de cobertura de área autónoma comienza
cuando el operador ingresa parámetros para definir la misión a través de la Ground Control Station
(GCS). Este estudio diseña un problema de optimización para asignar listas de puntos de ruta óptimos a
UAVs basados en MILP. El problema de optimización tiene en cuenta el movimiento de ida y vuelta y
está destinado a llenar completamente el área dada con la huella de varios UAV. Cuando cada UAV recibe
una lista óptima de waypoints, despega del suelo y visita una serie de waypoints en orden. Durante la
misión, el estado del punto de ruta se supervisa en el algoritmo de gestión de tareas propuesto. Toda la
misión termina con todos los UAV volando a través de este proceso y luego aterrizando. En consecuencia,
en este estudio se consideran los siguientes supuestos. Primero, asumimos que el área cubierta por
múltiples UAV existe en un espacio bidimensional y siempre es convexa. En segundo lugar, el área dada
es lo suficientemente pequeña como para permitir que el UAV complete la misión con una carga
completa y, por lo tanto, no consideramos regresar al depósito para recargar la batería. En tercer lugar,
se supone que todos los UAV que participan en la misión tienen la misma capacidad (es decir, la distancia
máxima de viaje). En cuarto lugar, consideramos el esquema de asignación de tareas centralizado
realizado en GCS, por lo que los resultados de la asignación se transfieren unilateralmente una vez a los
UAV que esperan en tierra. Además, asumimos que el rango de comunicación y la cantidad de datos
requeridos para la comunicación entre el UAV y el GCS son ilimitados. Por último, imaginamos que el
entorno de la misión es estático y limpio sin obstáculos. Significa que no hay problemas significativos con
los UAV que siguen los puntos de ruta asignados, por lo que no se requieren estrategias adicionales para
responder a entornos con obstáculos estáticos o entornos dinámicos.

Las contribuciones de este estudio son triples. Primero, este estudio presenta un marco de ejecución de la
misión que va desde la entrada del operador hasta el comando del motor para realizar la misión de cobertura
de área. En segundo lugar, en comparación con la investigación motivacional [2], este estudio se expande a
múltiples áreas y aligera la complejidad computacional de la optimización. En tercer lugar, este estudio aborda
varias simulaciones y pruebas de vuelo en entornos al aire libre para verificar el rendimiento del sistema
propuesto. A nuestro leal saber y entender, proporcionamos la primera cobertura óptima de múltiples áreas
con múltiples drones verificados a través de experimentos al aire libre.
El resto de este estudio está organizado de la siguiente manera. Sección2 define cada subsistema
que constituye el sistema completo y las interacciones entre subsistemas. Sección3 explica en detalle el
proceso de creación de gráficos para el subsistema de asignación de tareas y proporciona la formulación
MILP, incluidas la función objetivo y las restricciones. En la sección4, el rendimiento del sistema
propuesto se verifica a través de varias simulaciones que realizan misiones de cobertura de área única
con diferentes tipos de polígonos y diferentes números de UAV. Sección5presenta los resultados del
experimento al aire libre en el que dos hexacópteros cubren múltiples áreas designadas por el operador.
Sección6 describe las conclusiones de este estudio y analiza posibles direcciones para futuras
investigaciones.

2. Descripción del problema

Figura 1 muestra la arquitectura de hardware y software de todo el sistema de misión, desde la

entrada del operador hasta el comando del motor. Como se muestra en la figura1, los componentes
principales del hardware son múltiples plataformas UAV y una computadora portátil que actúa como un
sistema de hardware GCS basado en tierra. En términos de software, todo el sistema de misión consta
de cinco subsistemas; Software GCS para la definición de tareas y el seguimiento de tareas, asignación
de tareas, gestión de tareas, planificación de rutas y subsistemas de control de vuelo. Todos estos
subsistemas funcionan bajo el marco de Robot Operating System (ROS) [19]. Tenga en cuenta que el
software GCS y los subsistemas de asignación de tareas funcionan en la computadora portátil. Por otro
lado, los subsistemas de gestión de tareas, planificación de rutas y control de vuelo operan en un
Sensores 2021, 21, 2482 4 de 21

Computadora de a bordo montada en cada plataforma UAV. Las subsecciones siguientes describen las
operaciones de cada subsistema; sin embargo, la descripción del subsistema de control de vuelo se omite
porque el firmware PX4 [20], que es un software de piloto automático de código abierto, se utiliza como
subsistema de control de vuelo.

Figura 1. Arquitectura del sistema.

2.1. Software GCS

En este estudio, el software GCS se desarrolla en base a QGroundControl [21], que es un GCS de
código abierto que funciona con varios tipos de vehículos compatibles con el firmware PX4. En el
QGroundControl original, el operador ingresa varios parámetros para definir el levantamiento, como un
área poligonal, el ángulo entre los puntos de referencia, el espacio entre los puntos de referencia y la
altitud para realizar la misión. Luego, QGroundControl crea un conjunto de puntos de referencia basados
en las entradas del operador. Tenga en cuenta que los puntos de ruta generados por el QGroundControl
original son (i) altamente dependientes del operador, (ii) no optimizados y (iii) no para múltiples UAV.

Las siguientes cuatro características se agregaron recientemente al QGroundControl original para la misión de cobertura de área óptima utilizando múltiples UAV que se apuntan en este estudio.

Primero, QGround-Control se modifica para poder publicar y suscribirse a mensajes ROS. Para que QGround-Control funcione en el entorno ROS, se selecciona una conexión WebSocket para diseñar la

estructura del cliente. La interfaz de rosbridge [22] se implementa para comunicarse con otros subsistemas. Por lo tanto, las entradas del operador a través de QGroundControl se transfieren a otros

subsistemas como mensajes ROS. Además, los resultados calculados por otros subsistemas se envían como mensajes ROS para que el operador pueda monitorear el progreso de la misión. En segundo lugar,

QGroundControl se amplía para realizar misiones utilizando varios UAV. Para hacer esto, el operador debe ingresar dos entradas adicionales: el número de UAV y el origen de la coordenada inercial. Además, la

posición de cada UAV en la coordenada GNSS se envía al QGroundControl modificado. Después de eso, se definen las coordenadas relativas entre la coordenada inercial y la coordenada fija del cuerpo de cada

UAV, y se realizan las transformaciones de coordenadas. Por esta razón, a pesar de que el operador define las áreas de misión en la coordenada inercial, cada UAV puede transformar los puntos de ruta

asignados a él en su coordenada fijada por el cuerpo. En tercer lugar, incluso si el operador no especifica la dirección del movimiento de ida y vuelta (es decir, el ángulo entre los puntos de ruta), el subsistema

de asignación de tareas propuesto determina la dirección óptima para cubrir el área poligonal. Por lo tanto, aunque el operador ingresa menos parámetros para definir la misión que el QGroundControl

original, se le puede proporcionar al operador una planificación óptima de la misión. Es decir, el QGroundControl modificado en este estudio intenta determinar los puntos de ruta óptimos para múltiples UAV

en lugar de simplemente volar a lo largo de los puntos de ruta ingresados por el operador. incluso si el operador no especifica la dirección del movimiento de ida y vuelta (es decir, el ángulo entre los puntos de

paso), el subsistema de asignación de tareas propuesto determina la dirección óptima para cubrir el área poligonal. Por lo tanto, aunque el operador ingresa menos parámetros para definir la misión que el

QGroundControl original, se le puede proporcionar al operador una planificación óptima de la misión. Es decir, el QGroundControl modificado en este estudio intenta determinar los puntos de ruta óptimos para

múltiples UAV en lugar de simplemente volar a lo largo de los puntos de ruta ingresados por el operador. incluso si el operador no especifica la dirección del movimiento de ida y vuelta (es decir, el ángulo

entre los puntos de paso), el subsistema de asignación de tareas propuesto determina la dirección óptima para cubrir el área poligonal. Por lo tanto, aunque el operador ingresa menos parámetros para definir

la misión que el QGroundControl original, se le puede proporcionar al operador una planificación óptima de la misión. Es decir, el QGroundControl modificado en este estudio intenta determinar los puntos de

ruta óptimos para múltiples UAV en lugar de simplemente volar a lo largo de los puntos de ruta ingresados por el operador. aunque el operador ingresa menos parámetros para definir la misión que el

QGroundControl original, se le puede proporcionar al operador una planificación óptima de la misión. Es decir, el QGroundControl modificado en este estudio intenta determinar los puntos de ruta óptimos para

múltiples UAV en lugar de simplemente volar a lo largo de los puntos de ruta ingresados por el operador. aunque el operador ingresa menos parámetros para definir la misión que el QGroundControl original,

se le puede proporcionar al operador una planificación óptima de la misión. Es decir, el QGroundControl modificado en este estudio intenta determinar los puntos de ruta óptimos para múltiples UAV en lugar

de simplemente volar a lo largo de los puntos de ruta ingresados por el operador.

Sensores 2021, 21, 2482 5 de 21

En resumen, las operaciones principales del software GCS son (i) la definición de la
tarea que determina qué puntos de ruta deben visitar los UAV para realizar la misión y
(ii) el monitoreo de la tarea para ver el progreso de la misión. El software GCS interactúa
con el operador y otros subsistemas a 1 Hz de la siguiente manera. Las entradas
ingresadas por el operador son los vértices de las áreas poligonales, la altitud de la
misión, el número de UAV, el espaciado de los waypoints y el origen de la coordenada
inercial. Además, el software GCS necesita la longitud y latitud de cada UAV obtenida del
sensor GPS montado en cada UAV. Como salidas para el operador, el software GCS
muestra la lista de puntos de ruta óptimos determinados por el subsistema de
asignación de tareas y el estado de cada punto de ruta proporcionado por el subsistema
de gestión de tareas en el mapa.

2.2. Asignación de tareas

La función principal del subsistema de asignación de tareas es asignar puntos de ruta a cada UAV
para realizar la misión dada por el operador de manera óptima. Las entradas requeridas para el
subsistema de asignación de tareas son los vértices de las áreas poligonales, el número de UAV y la
posición inicial de UAV en la coordenada inercial. Las salidas del subsistema de asignación de tareas son
el conjunto de puntos de ruta asignados a cada UAV y se proporcionan al final de la resolución del
problema de optimización. Como se mencionó en la sección anterior, la reasignación de tareas no se
considera en este estudio. Sin embargo, si se requiere la reasignación de tareas, este subsistema
necesita entradas adicionales del subsistema de gestión de tareas para resolver el problema de
reasignación de tareas. Por ejemplo, el problema de reasignación de tareas requiere información
adicional, como qué UAV no pudo alcanzar el punto de ruta dado y la lista residual de puntos de ruta. El
subsistema de asignación de tareas se discutirá en detalle en la Sección3.

2.3. Administración de tareas

La gestión de tareas identifica el waypoint de destino al que debería dirigirse actualmente un UAV
en la lista de waypoints y comprueba si el UAV alcanza el waypoint de destino o no. La lista de puntos de
ruta óptima se suscribe desde el subsistema de asignación de tareas. Debido a que este estudio
considera una cobertura de área bidimensional, la altitud de los puntos de ruta es igual a la altitud de la
misión definida por el operador. Es necesario evitar colisiones con otros UAV en el proceso de comenzar
desde el depósito y trasladarse al área de la misión, moverse entre diferentes áreas poligonales y
regresar al depósito después de completar la misión. Por lo tanto, en este estudio, se introdujo
recientemente el concepto de altitud de transición, donde a cada UAV se le asigna una altitud de
transición única. Dentro del área poligonal, se garantiza una separación de seguridad lateral debido a la
separación de los waypoints. Fuera del área poligonal, es posible una separación de seguridad
longitudinal gracias a la altitud de transición. En otras palabras, como se muestra en la Figura2,
consideramos puntos de referencia virtuales además de los puntos de referencia para la misión de
cobertura para garantizar una separación segura entre los UAV.
Cuando un UAV ingresa dentro de un cierto radio del punto de referencia objetivo, se considera que el
UAV alcanzó el punto de referencia objetivo. Aunque el problema de la reasignación de tareas está más allá del
alcance de este estudio, se puede imaginar la siguiente estrategia cuando un UAV no alcanza el punto de
referencia objetivo. En primer lugar, el subsistema de gestión de tareas puede volver a intentar la misma tarea
(es decir, visitar el punto de ruta de destino) un cierto número de veces. No obstante, si el nuevo juicio falla, el
subsistema de gestión de tareas decide que la misión restante debe reasignarse y transfiere la decisión con la
información adicional necesaria para resolver el problema de reasignación al subsistema de asignación de
tareas.
Sensores 2021, 21, 2482 6 de 21

Figura 2. Un concepto de altitud de transición.

En resumen, las entradas del subsistema de gestión de tareas son la lista de puntos de ruta óptima
asignada para cada UAV. Los resultados del subsistema de gestión de tareas son el estado de cada punto de
ruta y la información relacionada con el problema de reasignación de tareas. Tenga en cuenta que el
subsistema de gestión de tareas funciona a 5 Hz.

2.4. Planificación de ruta

La función de la planificación de la ruta es generar un comando de guía a 50 Hz que permite

que un UAV navegue hasta el punto de destino designado por el subsistema de gestión de tareas.
En este estudio, el comando de velocidad linealVcmd ∈ R3 al eje XYZ de la coordenada fija del
cuerpo se considera como el comando de guía que se transferirá al subsistema de control de
vuelo. Por lo tanto, el error de posición entre el waypoint de destinoPAGdes ∈ R3 y la posición del
UAV PAG ∈ R3 se define en la coordenada fija del cuerpo. Para hacer que el error de posición
converja a cero, el comando de velocidad lineal se puede derivar en base a un controlador
proporcional de la siguiente manera:

Vcmd = −K(P - Pdes) (1)

dónde K denota la matriz de ganancia proporcional. Además, la velocidad máxima predefinidaVmax está
configurado para un vuelo estable. El comando de velocidadVcmd está limitado para garantizar el seguimiento
adecuado de los puntos de ruta sin exceder la velocidad máxima Vmax como sigue.

| Vcmd| ≤Vmax (2)

3. Metodologías para la asignación de tareas

Esta sección describe los procedimientos y métodos utilizados en el subsistema de

asignación de tareas en detalle. En primer lugar, un gráfico que consta de nodos y aristas se
construye como una matriz cuadrada bidimensional. Bajo el gráfico construido, se diseña un
problema de optimización basado en MILP para determinar el par óptimo entre UAV y waypoints.

3.1. Construcción de gráficos

Cuando los vértices de las áreas poligonales, el número de UAV, la posición inicial de UAV en
la coordenada inercial y el espaciado entre puntos de ruta se proporcionan desde el software GCS,
la primera operación del subsistema de asignación de tareas es construir un gráfico que consta de
nodos y bordes. Como la forma más sencilla de llenar el área bidimensional finita con la huella de
cada UAV, el área que se cubrirá se puede cuadricular con el tamaño de la huella.
Sensores 2021, 21, 2482 7 de 21

de cada UAV. Por lo tanto, el área a cubrir se puede expresar como un gráfico compuesto por nodos que
representan el centro de la huella y los bordes que conectan los nodos. Sin embargo, como se mencionó
anteriormente, este estudio considera el movimiento de ida y vuelta, no el método basado en
cuadrículas. A continuación se describe el procedimiento detallado de creación de un gráfico para cubrir
las áreas dadas con el movimiento de ida y vuelta.
Primero, el nodo consta de (i) la posición de lanzamiento inicial de cada UAV (llamado depósito) y
(ii) los waypoints que debe visitar cada UAV. Los waypoints se pueden generar de la siguiente manera.
Cuando el área poligonal se da como una secuencia de vértices, cada segmento de línea que conecta dos
vértices se puede determinar como los límites del polígono. En otras palabras, al dibujar segmentos de
línea que conectan dos vértices adyacentes en el sentido de las agujas del reloj (o en sentido contrario a
las agujas del reloj), se puede determinar un conjunto de segmentos de línea cuyo número es igual al
número de vértices. Por ejemplo, en el tetrágono que se muestra en la Figura3a, los límites del polígono
están conectados a cuatro segmentos de línea. Se determina el segmento de línea más largo entre los
límites y se considera la dirección de cobertura (perpendicular a la dirección de barrido) [2]. Por ejemplo,
la relación entre el segmento de línea más largo, la dirección de cobertura y la dirección de barrido se
ilustra en la Figura3B. Las líneas virtuales se generan paralelas a la dirección de cobertura. Las
intersecciones entre las líneas virtuales y los límites se pueden considerar como puntos de referencia.
Por ejemplo, se pueden determinar 12 intersecciones colocando las líneas virtuales paralelas al
segmento de línea más largo a intervalos de 1 m en un área poligonal, como se muestra en la Figura3C.
Estas 12 intersecciones se consideran los puntos de referencia que deben visitar los UAV.

(a) Vértices y segmentos de línea (B) Segmento de línea más largo (C) Waypoints

Figura 3. Procedimientos de construcción de gráficos.

En segundo lugar, el borde se puede determinar de la siguiente manera. El gráfico se puede

considerar como una matriz cuadrada bidimensional cuyo tamaño es igual al número de nodos. El
elemento(I, j) de la matriz cuadrada bidimensional corresponde al borde que conecta el I-th waypoint y el
j-th waypoint. En general, el valor del elemento (I, j) (es decir, el costo del borde) está determinado por la
distancia entre los nodos. Sin embargo, en los siguientes tres casos, se usa un valor diferente como
costo de borde en lugar de la distancia entre nodos para propósitos particulares. El primer caso es que el
valor del elemento diagonal (I, j) cuando I = jse establece en un número arbitrariamente grande. Esta
estrategia se ha utilizado comúnmente para evitar recorridos desde el nodoI al nodo I en el TSP. El
segundo caso es evitar que un UAV visite la posición de lanzamiento inicial de otro UAV. Con este fin, si el
nodoI y nodo j corresponden a la posición de lanzamiento inicial del UAV, la distancia entre el nodo I y
nodo j se multiplica por una penalización mayor que uno. En general, al realizar misiones de cobertura o
enrutamiento con varios UAV, en la mayoría de los estudios anteriores solo se consideró un depósito [23
]. Sin embargo, al considerar un solo depósito, la separación de tiempo entre los UAV es esencial para
garantizar una separación segura en el depósito [24]. Para ello, el tiempo para llegar al nodo debe
considerarse como una variable de decisión. A medida que aumenta el número de variables de decisión,
aumenta la cantidad de cálculo requerida para la optimización. Por lo tanto, consideramos un método
para separar espacialmente
Sensores 2021, 21, 2482 8 de 21

cada UAV, comenzando desde una posición diferente. El último caso es evitar la superposición de las
áreas a cubrir por diferentes UAV. Después de que un UAV hace el movimiento de ida y vuelta a lo largo
de un segmento de línea virtual, puede moverse a un punto de ruta cercano. En este estudio, la
diferencia de numeración entre los puntos de ruta no es más de dos que se definen como los puntos de
ruta cercanos. Por lo tanto, si el nodoI y nodo j no se consideran como los puntos de ruta cercanos, la
distancia entre el nodo I y nodo j se multiplica por una penalización mayor que uno.

3.2. Variables y restricciones de decisión

Consideremos que hay norte nodos y METRO UAV. Cada nodoI y UAV k pertenecen al conjunto de nodos norte (
es decir, n (norte) = norte) y el conjunto de UAV METRO (es decir, n (METRO) = METRO y N> M), respectivamente.
Tenga en cuenta que la primeraMETRO Los nodos representan los depósitos de cada UAV y, por lo tanto, el conjunto
norte0 (es decir, n (norte0) = N - M) se define para distinguir los nodos que no son de depósito [23]. Además, el
conjuntonorte′ se establece en norte′ = {x | X∈ N0, X = impar} para distinguir los waypoints en los mismos lados en
relación con el centro de las líneas virtuales.
Se definen tres variables de decisión para formular el problema de optimización: una binaria
variables Xkijy dos variables de holgura s y tuI por ∀I, j ∈ N, ∀k ∈M, I 6= j. Tenga en cuenta queI y
j se utilizan para el índice de nodos, y k se utiliza para el índice de vehículos aéreos no tripulados. Primero,Xk ij es un binario
variable que se convierte en uno cuando un UAV k se asigna al nodo de conexión de borde I y nodo j y
cero en caso contrario. Segundo,s es una variable de holgura continua que representa la distancia de
viaje más larga entre todos los UAV. Finalmente,tuI es una variable de holgura continua que se requiere
para que la restricción evite subtours en el TSP típico [2].
Hay cinco restricciones necesarias para determinar el par óptimo entre norte nodos y METRO UAV. La
primera restricción es que todos los UAV deben visitar todos los nodos solo una vez, excepto los depósitos. La
primera restricción se puede representar de la siguiente manera.

Minnesota

∑ ∑ Xkij = 1, ∀j ∈ N0 (3)
k= 1 I= 1

La segunda restricción indica que si un UAV llega a un nodo, entonces el UAV también debe
partir del nodo a otro nodo. Se puede resumir de la siguiente manera.

∑ Xijk - ∑ Xk Ji = 0, ∀j ∈ N, ∀k ∈M
norte norte

(4)
I= 1 I= 1

La tercera restricción es necesaria para evitar subtours en el TSP típico con la variable de holgura
continua tuI. Esta restricción se puede expresar de la siguiente manera.

METRO

tuI - uj + norte ∑ Xk ij ≤ N - 1, ∀I, j ∈ N0, I 6= j (5)

k= 1

Al utilizar la cuarta restricción, todos los UAV están regulados para participar en la misión de enrutamiento de la
siguiente manera.
norte

∑ Xijk = 1, ∀k ∈M, ∀I ∈ N \ N0 (6)

j= 1

La última restricción es necesaria para hacer el movimiento de retroceso y cuarto [2] y se puede
formular como sigue.

∑ X(I+1)
METRO METRO

∑ XkI(I+1) +
k
I = 1, ∀I ∈ N′ (7)
k= 1 k= 1

Tenga en cuenta que el orden de numeración es fundamental para la última restricción en la ecuación (7) para
funcionar correctamente. En este estudio, los waypoints (es decir, los nodos del conjuntonorte0) están numerados
como se muestra en la Figura 3C. Las intersecciones creadas por una línea virtual tienen numeraciones adyacentes a
Sensores 2021, 21, 2482 9 de 21

mutuamente. Por lo tanto, desde el centro de las líneas virtuales, las intersecciones en un lado son
impares (o pares) y las intersecciones en el otro lado son pares (o impares).

3.3. Formulación MILP

El problema de optimización para asignar norte nodos a METRO Los UAV que utilizan variables de decisión y
restricciones previamente definidas se pueden resumir de la siguiente manera.

1 MNN
Minimizar s+ METRO ∑ ∑ ∑ Cij Xijk (8)
k= 1 I= 1 j= 1

sujeto a ecuaciones (3) - (7),

NN
∑ ∑ C ij Xkij ≤ s, ∀k ∈M (9)
I= 1 j= 1

La función de objetivo está diseñada para minimizar la distancia máxima de viaje. s (es decir, el primer
término de la ecuación (8)) y la distancia de viaje promedio de todos los UAV (es decir, el segundo
término en la Ecuación (8)). Tenga en cuenta que la constanteCij denota el costo de mover el borde del
nodo Iy al nodo j (es decir, el elemento (I, j) del gráfico). Por último, la ecuación (9) se agrega para definir
la distancia máxima de viaje s.

4. Simulaciones
Esta sección valida el desempeño del marco propuesto para la misión de cobertura de área
de múltiples UAV a través de dos simulaciones. En la primera simulación, el subsistema de
asignación de tareas explicado en la Sección3 se aplica a varias áreas poligonales y diferente
número de UAV. La segunda simulación evalúa todo el sistema descrito en la Sección2 asumiendo
que el operador da un área poligonal arbitraria. Todos los cálculos numéricos se realizaron
utilizando una computadora portátil con una CPU Intel i7 de 2.6 GHz y 16 GB de RAM con el
sistema operativo Ubuntu. Tenga en cuenta que el subsistema de asignación de tareas se escribió
en MATLAB (versión R2020a; The MathWorks Inc., Natick, MA, EE. UU.) Y utilizó el solucionador de
Gurobi [25], que es un paquete de software de optimización estándar para MILP, para resolver el
problema de optimización descrito en la Sección 3.3.

4.1. Simulación MATLAB

La primera simulación tiene como objetivo verificar el desempeño del subsistema de asignación de tareas.
En otras palabras, esta simulación se centra en determinar si el subsistema de asignación de tareas resuelve
adecuadamente el problema de optimización. Se consideran varias configuraciones diferentes; de dos a cinco
vehículos aéreos no tripulados cubren una única área poligonal proporcionada aleatoriamente de triángulo a
hexágono.
Figura 4 muestra la configuración de muestra en la que tres UAV cubren un pentágono. Suponga
que la siguiente información se proporciona como entradas al subsistema de asignación de tareas: (i) los
cinco vértices del pentágono se dan como círculos pequeños en la Figura4a, (ii) el espacio entre los
puntos de ruta se establece en 5 m, (iii) el número de UAV que participan en la cobertura es tres, y (iv) los
UAV se colocan inicialmente en el marco inercial como se muestra en los pequeños asteriscos en la
Figura 4una. Podemos utilizar estas entradas para crear el gráfico de acuerdo con el método descrito en
la Sección3.1. Figura4b presenta los nodos del gráfico. Los tres pequeños asteriscos y los 16 pequeños
círculos representan los depósitos de cada UAV y los puntos de referencia, respectivamente.
Sensores 2021, 21, 2482 10 de 21

(a) Configuracion inicial (B) Nodos (C) Resultados de la asignación

Figura 4. Procedimientos de asignación de tareas para la configuración de muestra.

Para describir los argumentos de entrada del solucionador de Gurobi, reproduzcamos el problema de
optimización descrito en la Sección 3 para la configuración de muestra. Todas las restricciones en ecuaciones (3)
- (7) y (9) pueden considerarse ecuaciones matriciales o desigualdades para el vector solución, incluidas tres
variables de decisión. Tenga en cuenta que el vector solución tiene un tamaño de 1103
por 1 (1083 para Xkij, 19 para tuIy 1 para s). En la primera restricción descrita en la ecuación (3), los
La matriz de restricción de igualdad lineal tiene un tamaño de 19 por 1103, donde 19 es el número de
nodos y 1103 es el tamaño del vector solución. En la segunda restricción explicada en la ecuación (4), la
matriz de restricción de igualdad lineal tiene un tamaño de 57 por 1103, donde 57 es el producto del
número de nodos y el número de UAV (es decir, 57 = 19 × 3). La tercera restricción presentada en la
ecuación (5) tiene la matriz de restricción de desigualdad lineal cuyo tamaño es 240 por 1103, donde 240
es igual a 240 = (19 - 3) × (19 - 3) - 16. Las matrices de restricción de igualdad lineal de la cuarta
restricción en la ecuación (6) y la quinta restricción en la ecuación (7) tienen tamaño 3 por 1103 y tamaño
8 por 1103, respectivamente. En la restricción adicional descrita en la Ecuación (9), la matriz de restricción
de desigualdad lineal tiene un tamaño de 3 por 1103. La función objetivo dada en la ecuación (8) se
puede expresar como el producto escalar entre el vector de coeficiente y el vector de solución. Por
último, necesitamos especificar los límites inferior y superior del vector soluciónX y especifique qué valor
es un número entero. De esta forma, cuando se especifican todos los argumentos de entrada al
solucionador de Gurobi, el solucionador de Gurobi proporciona el valor óptimo de las variables de
decisión como salida.
Figura 4c proporciona los resultados de la asignación de asignar 19 nodos a tres UAV para cubrir el
área dada de manera óptima. El tiempo de cálculo fue de solo 0,80 s para resolver el problema de
optimización. Como se muestra en la figura4c, los UAV podrían cubrir el área dada implementando el
movimiento de ida y vuelta sin superponerse entre sí.
Puede verse en la Figura 4c que los puntos de ruta superiores se asignaron a UAV2 inicialmente
ubicados relativamente arriba, y los puntos de ruta inferiores se asignaron a UAV3 inicialmente ubicados
relativamente más bajos. Además, como figura4c muestra, al UAV3 se le asignaron más puntos de ruta
que UAV1 y UAV2 porque la distancia desde la posición de lanzamiento inicial hasta el primer punto de
ruta para UAV1 y UAV2 era mayor que UAV3. Mesa1 resume el número de puntos de referencia y la
secuencia de puntos de referencia asignados para cada UAV, la distancia de viaje de cada UAV y el
recorrido promedio de todos los UAV.
Los resultados de la asignación para todas las configuraciones se describen a continuación. Si hay
un UAV, su posición inicial se establece en (0 m, 0 m), el origen de la coordenada inercial. A medida que
aumenta el número de UAV, los UAV agregados se colocan a 5 m de distancia a lo largo del eje y. Por
ejemplo, si hay cinco UAV, sus posiciones iniciales son (0 m, 0 m), (0 m, 5 m), (0 m,
- 5 m), (0 m, 10 m) y (0 m, -10 m). Cifras5-8 mostrar los resultados de la tarea cuando el
El número de vehículos aéreos no tripulados varía de dos a cinco y se proporciona un área poligonal de
triángulo a hexágono para cubrir. Mesa2 resume la distancia de viaje de cada UAV y la distancia de viaje
promedio y máxima de acuerdo con los resultados de la asignación. Para todas las configuraciones, como
pretendíamos, los puntos de referencia se asignaron razonablemente a cada UAV para que el área poligonal
estuviera cubierta por cada UAV, como si se cortara un pastel. Los resultados de la asignación también pueden
Sensores 2021, 21, 2482 11 de 21

interpretado como los UAV cooperan para minimizar la función objetivo, el objetivo de todos los UAV, en la
Ecuación (8) mientras se satisfacen las restricciones en las ecuaciones (3) - (7) y (9). Tenga en cuenta que, para
describir los resultados en una página limitada, establecemos el número de UAV en un máximo de cinco y de
polígonos en un máximo de un hexágono. Sin embargo, la asignación de tareas propuesta puede operar para
más UAV y polígono más complejo.

Tabla 1. Resultados de la asignación de tareas para la configuración de muestra.

UAV1 UAV2 UAV3

Numero de waypoints 4 4 8
Secuencia de waypoints 1–8–9–11–10–1 2–6–7–5–4–2 3–18–19–17–16–14–15–13–12–3
Distancia de viaje [m] 143,86 154,96 214,42

Promedio distancia de viaje [m] 171,08

(a) Dos UAV (B) Tres UAV

(C) Cuatro UAV (D) Cinco UAV

Figura 5. Resultados de la asignación para triángulo.